Bundessozialgerichtes. Voor een Duitstalige lezer is dat één begrip, hoe lang het woord ook is. Voor een taalmodel begint er eerst een klein hakselwerk. Tekst gaat niet als woorden naar binnen, maar als tokens: brokjes die het model omzet in getallen. Waar de messen vallen, lijkt een detail uit de machinekamer. Toch raakt precies dat detail aan een groot politiek woord: AI-soevereiniteit.

Op 3 oktober 2026 bracht het Duitse Aleph Alpha Kolibri uit, een open-weightmodel voor Duits en Engels. De gewichten zijn te downloaden onder de Apache 2.0-licentie. Het model telt 78,1 miljard parameters, maar activeert er per token ongeveer 3,46 miljard. Dat spaart rekenwerk, niet geheugen: volgens de modelkaart neemt de FP8-versie circa 78 GB in en vraagt een bruikbare installatie minimaal twee A100’s of één H200, B200 of B300. “Lokaal draaien” betekent hier dus niet: op de laptop onder je bureau. Wel: in infrastructuur die een organisatie zelf kiest en beheert.

Dat is de zichtbare laag van soevereiniteit. De interessantere laag zit dieper. Aleph Alpha bouwde een tokenizer die rekening houdt met de structuur van Duitse woorden. In het eigen voorbeeld wordt Bundessozialgerichtes opgeknipt als Bundes – sozial – gericht – es. Andere getoonde tokenizers snijden vaker dwars door zulke woorddelen heen. Dat bewijst niet dat Kolibri het begrip beter begrijpt; een nette knip is geen begripstest. Maar minder en zinvollere brokken kunnen Duitse tekst compacter verwerken. Daardoor gaan er minder tokens, en dus minder rekentijd en contextbudget, verloren aan het feit dat een taal toevallig lange samenstellingen maakt.

Taal is hier geen decoratie boven op een universeel model. Ze zit in de infrastructuur. Ruim een vijfde van Kolibri’s pretraining bestond volgens Aleph Alpha uit Duits. Het bedrijf zegt daarvoor vooral oorspronkelijk Duitstalige webtekst en herformuleringen van Duitse bronnen te hebben gebruikt, en vertaling beperkt te hebben ingezet. De gedachte daarachter is scherp: een uit het Engels vertaalde dataset spreekt misschien grammaticaal Duits, maar neemt nog steeds een Engelstalige wereld mee. Een kanselier wordt in zo’n corpus gemakkelijk omringd door de culturele en institutionele vanzelfsprekendheden van een president.

Kolibri is niet voor het Nederlands gemaakt. Juist daarom is het model voor Nederland interessant. Het laat zien wat er ontbreekt wanneer “Europese AI” alleen betekent dat de server in Europa staat. Wie controle wil over een model, moet ook kunnen vragen welke taal door de filters kwam, hoe de tokenizer haar behandelt en welke soorten teksten de maatstaf werden voor kwaliteit. Anders blijft soevereiniteit datalokalisatie met een vlag erop.

Nog een ontwerpkeuze maakt die vraag concreet. Aleph Alpha trainde Kolibri niet alleen om antwoorden te geven, maar ook om zich van een antwoord te onthouden wanneer de aangeleverde documenten onvoldoende bewijs bevatten. Het bedrijf beschrijft daarvoor een spel met drie rollen. “Merlin” maakt een context waarin het antwoord te vinden is. “Morgana” haalt precies het dragende bewijs weg en probeert het model toch tot gokken te verleiden. “Arthur”, het model dat uiteindelijk wordt getraind, moet het verschil leren herkennen. Volgens de leverancier weigert Kolibri op eigen evaluaties vaker een ongefundeerd antwoord dan zijn voorganger. Dat is een relevante ontwerpkeuze voor overheden en bedrijven die een model op interne dossiers willen laten werken — maar de gerapporteerde winst is nog geen onafhankelijk vastgesteld feit.

Ook het contextvenster vraagt zo’n dubbele blik. Aleph Alpha vermeldt ondersteuning tot ongeveer één miljoen tokens, een indrukwekkend getal voor lange dossiers. Tegelijk noemt de modelkaart 262.144 tokens als de oorspronkelijk getrainde lengte en adviseert zij voor complexe taken en efficiënte bediening om daar niet boven te gaan. De miljoen is dus geen belofte dat een miljoen tokens even zorgvuldig worden gelezen als een kort memo. Beschikbaarheid en betrouwbaarheid zijn verschillende dingen.

Daar ligt de grens tussen open gewichten en werkelijke controle. De gewichten, licentie, modelkaart en technische rapportage maken Kolibri beter inspecteerbaar en verplaatsbaar dan een gesloten API. Maar de benchmarkcijfers zijn door Aleph Alpha zelf geproduceerd, een deel van de sectorproeven is intern en de praktische prestaties in een Nederlandse organisatie zijn nog onbekend. Wie dit model overweegt, heeft daarom geen ranglijst nodig maar een eigen proef: met echte documenten, Duitstalige randgevallen, foutieve context, ontbrekend bewijs en mensen die de uitkomst kunnen beoordelen.

Soevereine AI is uiteindelijk geen eigenschap die een leverancier op een doos kan drukken. Het is het vermogen om keuzes te zien, te testen en zo nodig te vervangen. Waar draait het model? Welke woorden maakt het klein? Wanneer durft het “ik weet het niet” te zeggen? En kun je die drie antwoorden controleren zonder opnieuw de leverancier op zijn woord te geloven?

Bronnen en verantwoording